Edge-tuning of artificial intelligence improves diagnostic performance for <i>Schistosomiasis haematobium</i> in a rural setting of Côte d’Ivoire
Notice bibliographique
Résumé
Abstract Background Schistosomiasis affects over 200 million people and causes significant urogenital and gastrointestinal morbidity. Mass drug administration (MDA) with praziquantel is used to mitigate severe illness and reduce infection rates. Portable microscopy, combined with artificial intelligence (AI), offers a novel method for schistosomiasis screening in low-resource settings. This study tested whether re-training AI models for Schistosoma egg detection with local field data, a process we call “edge-tuning”, could improve the model’s performance on the following field day. Methods This study in Côte d’Ivoire evaluated a portable microscope (NTDscope) for Schistosoma haematobium screening. Urine samples from 100 community members were analyzed using AI models on the NTDscope and traditional light microscopy. Starting AI models, trained on images from a previous version of the NTDscope, were edge-tuned after the first day of sample collection using cloud-based image annotation and re-training. Starting and edge-tuned models were evaluated at confidence thresholds optimizing for sensitivity, specificity, or egg counting. Findings For all thresholds, edge-tuned models performed better than starting AI models. Compared to manual counting of eggs on the NTDscope, sensitivity of the starting AI model on day 2 ranged from 59.3%-75.5%, with specificity ranging from 46.7%-85.7%. After edge-tuning, sensitivity increased to 77.8%-100%, with specificity from 78.6%-100%. Compared to light microscopy, edge-tuned AI models had comparable performance to manual counting from NTDscope images. Interpretation Portable microscopy is an effective solution for rapid, on-site schistosomiasis screening. AI- based egg detection increases diagnostic throughput while maintaining good performance. This study demonstrates that edge-tuning AI models with local data significantly improves their performance and can be performed in low-resource settings, making the combined technologies effective tools for monitoring schistosomiasis programs in endemic areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».